AI 搜尋時代的
行銷術語全解析

SEO 的目標是讓網站在 Google 搜尋結果排名更高。AEO（Answer Engine Optimization，答案引擎優化）是業界用語，沒有官方定義，一般指讓內容更容易被「直接給答案」的系統採用，例如 Google 的 AI 摘要、ChatGPT 搜尋、Perplexity。

兩者的差別在成果怎麼看：SEO 看排名與點擊，AEO 看答案裡有沒有引用或提到你。Google 官方說明，要出現在 AI 摘要不需要額外的特殊做法，基本的 SEO 做法同樣適用，所以兩者通常可以一起做。

Seer Interactive 持續追蹤 53 個品牌、547 萬組查詢、24.3 億次自然曝光。到 2026 年 2 月為止：有 AI Overview 的查詢，自然點擊率 2.36%；沒有 AI Overview 的查詢是 3.82%——差距約四成。

但這裡要說一件多數人還沒更新的事：下跌已經觸底反彈。AI Overview 查詢的點擊率在 2025 年 12 月落到 1.3% 的低點後，回升到 2026 年 2 月的 2.4%。Seer 自己在 2026 年的更新中承認，先前預測的「持續壓縮」並沒有發生，數據正在打平。

所以誠實的說法是：AI Overview 確實吃掉點擊，但沒有吃掉一切，而且情況正在穩定。

來源：Seer Interactive,「AIO Impact on Google CTR: 2026 Update」（53 個品牌／547 萬組查詢／24.3 億次自然曝光，2025 年 1 月–2026 年 2 月）

Pranjal Aggarwal、Vishvak Murahari、Tanmay Rajpurohit、Ashwin Kalyan、Karthik Narasimhan 與 Ameet Deshpande 在 ACM SIGKDD 2024 發表的 GEO 論文，建立了 10,000 題的 GEO-bench 基準測試，逐一比較九種內容改寫策略。表現最好的是三種：

① 引用可信來源（Cite Sources）
② 加入直接引語（Quotation Addition）
③ 加入具體統計數據（Statistics Addition）

論文原文的結論是：這三種方法在「位置加權字數」指標上相對基準提升 30–40%，在「主觀印象」指標上提升 15–30%。

要特別說明：論文給的是這個區間，不是每種方法各自一個數字。網路上流傳的「引言 +41%、統計 +33%、引用來源 +28%」這種拆解並非論文原文，我們過去也曾照抄，現已更正。

另一個意外發現：純粹改善行文流暢度與易讀性（Fluency Optimization、Easy-to-Understand）也能帶來 15–30% 的能見度提升。生成式引擎在意的不只是內容，還有呈現方式。

相對地，傳統 SEO 的關鍵字堆疊幾乎沒有效果——在論文自建引擎上「幾乎沒有改善」，在 Perplexity.ai 上甚至比未優化的基準還差 10%。

來源：Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan & Ameet Deshpande,「GEO: Generative Engine Optimization」, ACM SIGKDD 2024, pp. 5–16（arXiv:2311.09735）

Seer Interactive 追蹤 547 萬組查詢的結果是：2026 年 2 月，有 AI Overview 的查詢自然點擊率 2.36%，沒有 AI Overview 的是 3.82%。

SE Ranking 分析 10 萬組關鍵字（20 個利基、每個 5,000 組、美國市場）後發現：AI Overview 的引用來源，只有 19% 與自然排名前十重疊，而且超過六成的查詢重疊度在 20% 以下。

更關鍵的是，這個比例在 Gemini 3 上線前後幾乎沒有變化——研究原文的用詞是「identical results」。

排名第一，和被 AI 引用，已經是兩件不同的事。

來源：Seer Interactive,「AIO Impact on Google CTR: 2026 Update」（53 個品牌／547 萬組查詢）；SE Ranking,「Gemini 3 Impact on AI Overviews」, 2026（10 萬組關鍵字／20 個利基／美國市場）

目前查得到出處的具體案例是 Bacula Enterprise——系統性實施 GEO 內容策略、並用監測工具調整題目覆蓋後，在 ChatGPT「best HPC backup software」查詢中達到推薦第一名。

「多久見效」這件事，我們尚未在台灣市場量測到足以下結論的樣本，因此不做時間承諾，只在後續報告中如實呈現實際變化。

如果有人給你一個很精確的見效週期，請問他資料來源。

誠實的答案是：優先度很低。Google 在 2026 年 5 月發布的 AI 搜尋官方指南中明確表示，網站不需要建立新的機器可讀檔案或 AI 文字檔，也沒有任何 AI 專用的 schema.org 結構化資料。Google 甚至直接說，AEO 和 GEO 本質上「仍然是 SEO」。

實際採用情況也支持這個判斷：SE Ranking 在 2026 年 5 月掃描約 30 萬個已索引網域，llms.txt 採用率 10.13%；Rankability 2026 年 6 月的資料是全球前 1,000 大網站 8.7%。

它的建置成本接近於零，所以做了不吃虧；但把它當成 AI 能見度的關鍵手段是誤導。

來源：Google Search Central,「AI Features and Your Website」, 2026-05；SE Ranking llms.txt 研究（約 30 萬網域）, 2026-05；Rankability, llms.txt Adoption, 2026-06

GEO（Generative Engine Optimization，生成式引擎優化）一個代表性的早期正式用法，是 2023 年 11 月提交的論文〈GEO: Generative Engine Optimization〉。該論文由 Pranjal Aggarwal、Vishvak Murahari、Tanmay Rajpurohit、Ashwin Kalyan、Karthik Narasimhan 與 Ameet Deshpande 六位作者撰寫，後於 KDD 2024 發表，研究如何讓內容更容易被生成式 AI 的回答引用。

AEO 和 GEO 都是業界用語，範圍大量重疊，沒有公認的界線：常見的用法是 AEO 泛指各種直接給答案的系統，GEO 特指用生成式 AI 寫回答的系統。實務上兩者要做的事大致相同。

Aggarwal、Murahari、Rajpurohit、Kalyan、Narasimhan 與 Deshpande 的論文有一個特別重要的發現：GEO 對排名靠後的網頁效果反而更顯著。

論文實測，光是「引用可信來源」（Cite Sources）這一種方法，就讓搜尋結果排名第 5 的網站能見度提升 115.1%；而同一批實驗中，排名第 1 的網站平均能見度反而下降 30.3%。

論文作者因此稱 GEO 具有「民主化數位空間」的潛力：中小型網站有機會與大品牌競爭 AI 推薦。

來源：Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan & Ameet Deshpande,「GEO: Generative Engine Optimization」, ACM SIGKDD 2024, Table 2

在地商家版：AI 從哪裡讀你的店、小店能自己做的五件事 →

Ahrefs 分析 75,000 個品牌在 ChatGPT、Google AI Mode、AI Overviews 三個平台的能見度，算出各項訊號的相關係數（依序為 ChatGPT／AI Mode／AI Overviews）：

• YouTube 提及：0.737／0.712／0.740
• 品牌網路提及（earned media）：0.664／0.709／0.656
• 品牌錨點文字：0.511／0.628／0.527
• 品牌搜尋量：0.352／0.466／0.392
• 網域權重（DR）：0.266／0.285／0.326

排在最前面的全部是「站外、別人談論你」的訊號，網域權重這類自有指標明顯落後。

但書：這是橫斷面的相關性分析，不是介入實驗，相關不等於因果。

來源：Ahrefs,「Top Brand Visibility Factors in ChatGPT, AI Mode, and AI Overviews」（75,000 個品牌）

有，但可查證的比想像中少——這點值得先說清楚，因為這個領域的「案例」大多沒有一手來源。

目前能追到出處的是 Bacula Enterprise：系統性實施 GEO 內容策略、並用監測工具調整題目覆蓋與語意權威後，在 ChatGPT「best HPC backup software」查詢中達到推薦第一名。但要註明：這是監測工具商 Otterly.ai 自行發布的客戶案例，屬於廠商自述，證據等級低於第三方研究。

來源：Otterly AI 案例

量一次不夠——這件事現在有論文了。聖加侖大學研究團隊在 2026 年 4 月發表的研究橫跨四個 AI 引擎，連續量測 45–46 天後發現：

• 在該研究的資料、排除條件與誤差定義下，品牌提及估計需要 7 次重複，來源追蹤需要 8 次
• 來源的日對日汰換率約 65%——今天被引用的網頁，明天約有三分之二會換掉
• 表 6 的標準誤差在 10 天為 0.107、14 天為 0.080；論文文字與表格不一致，因此保守說法是約兩週才低於 0.10

這代表單次查詢的結果不足以當成趨勢判斷。

但書：該研究為瑞士德語市場，四個受測產業是電信、房仲、運動用品與消費電子，繁體中文與台灣市場尚未經過驗證。論文作者自己也在結論寫明，這些不穩定性是否適用於其他語言與區域市場，有待後續研究。

來源：Julius Schulte, Malte Bleeker & Philipp Kaufmann,「Don't Measure Once: Measuring Visibility in AI Search (GEO)」, arXiv:2604.07585, 2026

完整說明：論文的四組數字與實務判讀 →

要看客人怎麼問。Whitespark 在美國 3 個城市、6 個行業跑了 540 次查詢，整體有 68% 出現 AI Overview，但不同類型的問題差很多：

• 在地意圖查詢（「某某市家醫診所」）：只有 15% 出現 AI Overview，93% 出現地圖上的店家列表（Local Pack）
• 資訊型查詢（「驗光要多久」）：92%
• 混合型（問題裡同時有地點和資訊需求）：97%

單純找店的問題，Google 多半直接列出地圖上的店家。所以除了「某某市某某行業推薦」，也要回答客人實際會問的資訊型問題。

另一個值得注意的觀察：在該研究抽樣檢視的「休士頓水電工」這一組結果中，AI Overview 引用的 23 個來源裡，約 60% 來自第三方發布者（Reddit、Yelp、Thumbtack、Indeed 等），只有 40% 是商家自己的網站。

但書：該研究為 2025 年 5 月的資料，美國三個城市、英語、6 個行業（水電、律師、牙醫、驗光、診所、房仲）。Google AI 摘要之後持續改版，台灣尚未驗證。

來源：Whitespark,「The Prevalence of AI Overviews in Local Search」, 2025-05-12

完整說明：三種問法的數字、AI Overview 引用了誰、在地商家怎麼做 →

Google 商家檔案怎麼申請、該填什麼、怎麼看成效 →

業界常見的四層堆疊說法是：SEO（基礎層）→ LLMO（機讀層）→ GEO（引用層）→ AEO（答案摘要層）。這是行銷業界提出的框架，方便理解，但沒有實證研究支持這個分層，僅供概念參考。